通过整合响应面方法、灰色关联分析与机器学习优化三黄清热方提取工艺

古方草药中的更好药效

许多人依赖传统草药疗法，但一个持续存在的问题是：如何使这些古老配方在稳定性、疗效和一致性方面达到现代药物的水平？本研究针对三黄清热方——一种用于治疗慢性和过敏性鼻窦炎的中药处方——提出了解答，研究团队借助先进的数据工具和机器学习来微调其活性成分的提取工艺。

现代问题下的草本处方

三黄清热方由黄连、黄芩、黄芪、茯苓等多种药材组成，旨在减轻炎症、抑制微生物并促进组织修复，适用于长期鼻窦问题患者。长期以来它以医院制备的鼻用滴剂形式应用，但这种液体制剂在鼻腔停留时间短且稳定性欠佳，限制了其更广泛的使用。为改进药品并可能开发新剂型，研究者首先聚焦于一个关键但常被忽视的步骤：从原料中提取活性物质的工艺。更高效、可控的提取意味着每一批药品可以提供可靠的有效成分剂量。

一次测量多种成分

与只含单一活性分子的简单药物不同，该方通过多种化合物协同发挥作用。研究团队选择了11种已知具有抗菌、抗病毒、抗氧化或抗炎等作用的关键成分，并将总提取率一并纳入考量。研究并非以单一成分为成功标准，而是构建了一个将这12个指标融合在一起的“综合评分”。为保证公平性，他们将临床重要性的专家判断与反映信息量和差异性的客观统计量结合起来。这种混合加权方法使得每次提取试验的评价既平衡又具有科学透明性。

用智能实验设计测试条件

研究者随后考察了三个主要因素——乙醇浓度、回流加热时间和液固比——如何影响综合评分。他们没有盲目地单因子逐一改变，而是采用了名为Box–Behnken的结构化试验设计，系统地变化三者并捕捉它们之间的相互作用。统计建模（响应面方法）显示，乙醇浓度和提取时间的影响最大，液–固比的作用相对较小。基于该分析，预测出的最佳条件为使用55%乙醇、每循环回流2小时、液固比为每克药材12毫升。

让算法去寻找最佳点

为了超越传统统计方法，团队还应用了两种机器学习模型——由遗传算法优化的神经网络和支持向量机——以及一种称为灰色关联分析的方法，用以比较每次试验与理想模式的接近程度。灰色关联分析能指出一个较好的参数组合，但只能在已测试的条件中选择。相比之下，支持向量机学到了潜在关系，能够高精度地预测新的组合，且性能超过了神经网络。值得注意的是，支持向量机推荐的最优条件几乎与响应面模型一致：55%乙醇、回流2小时、液固比12 mL/g。

用相同药材获得更多药效成分

当科学家们在这些优化条件下实际运行提取并测定化学成分时，结果很明确。11种目标成分的含量均较原先的水提取工艺有所增加，其总和更是翻倍以上。用于比较整体化学谱的统计工具（聚类分析和主成分分析）显示，优化批次形成了一个与原工艺及灰色关联方案明显不同且紧密聚集的簇。简单来说，新方法更有效地提取了关键成分，并能在批次间保持一致。

对未来草本治疗的意义

对非专业读者来说，结论很直观：通过将智能实验设计与现代机器学习相结合，研究者在不改变药材的前提下，将传统的鼻窦炎方剂转化为更高效、更可靠的提取物。他们优化出的工艺为使用55%乙醇、两次每次两小时的提取循环，以及特定的液固比，从而显著提高了已证实活性成分的含量。超越这一配方，研究为改良其他复杂草本药物提供了可复制的蓝本，使其生产能达到与常规药物相同的质量和可重复性要求。

引用: Chen, Q., Meng, P., Hu, X. et al. Optimization of the extraction process of Sanhuang Qingre Formula by integrating response surface methodology, grey correlation analysis, and machine learning. Sci Rep 16, 6767 (2026). https://doi.org/10.1038/s41598-026-37751-0

关键词: 传统中药, 草本提取, 机器学习, 鼻窦炎治疗, 工艺优化